Thiết kế hệ thống tách và nhận dạng khuôn mặt từ video

Bài viết Thiết kế hệ thống tách và nhận dạng khuôn mặt từ video đưa ra phương pháp nhận dạng khuôn mặt trong video dựa vào ảnh của các khung hình trong video. Quá trình nhận dạng khuôn mặt trong video gồm ba công đoạn chính-Tách khuôn mặt dùng thuật toán Haar-like, trích đặc trưng khuôn mặt dùng PCA và nhận dạng dùng mạng nơ ron đa lớp.
Nội dung trích xuất từ tài liệu:
Thiết kế hệ thống tách và nhận dạng khuôn mặt từ video 49 THIẾT KẾ HỆ THỐNG TÁCH VÀ NHẬN DẠNG KHUÔN MẶT TỪ VIDEO DESIGNING A VIDEO-BASED FACE DETECTION AND RECOGNITION SYSTEM Đậu Trọng Hiển,Ngô Quốc Cường, Trần Tùng Giang Trường Đại Học Sư Phạm Kỹ Thuật TP. HCM TÓM TẮT Nhận dạng mặt người trong video là đề tài đang được chú ý trong những năm gần đây trong lĩnh vực thị giác máy tính. So với nhận dạng trên ảnh tĩnh truyền thống, nhận dạng trên video có nhiều lợi thế về lượng thông tin để tăng độ chính xác và ổn định. Tuy nhiên việc nhận dạng ảnh trong video cũng gặp nhiều khó khăn vì sự biến thiên lớn về tỉ lệ khuôn ảnh, chất lượng ảnh trong video kém, độ chói và tư thế khuôn mặt thay đổi, khuôn mặt bị che phủ. Bài báo này đưa ra phương pháp nhận dạng khuôn mặt trong video dựa vào ảnh của các khung hình trong video. Quá trình nhận dạng khuôn mặt trong video gồm ba công đoạn chính-Tách khuôn mặt dùng thuật toán Haar-like, trích đặc trưng khuôn mặt dùng PCA và nhận dạng dùng mạng nơ ron đa lớp. Thuật toán nhận dạng trong bài này được kiểm tra bằng đoạn phim có 1000 khung hình. Độ chính xác của thuật toán nhận dạng là 98%. Từ khóa: Khung hình trong video, đặc tính Haar-Like, nhận dạng khuôn mặt, phân tích thành phần chính, mạng nơ ron, vector riêng, khuôn mặt riêng. ABSTRACT Face recognition in videos has been a hot topic in computer vision in recent years. Compared to traditional face analysis, video-based face recognition has the advantages of more abundant information to improve accuracy and robustness, but also suffers from large scale variations, low quality of facial images, illumination changes, pose variations and occlusions. The paper presents a method for face recognition based on video-image based methods. The proposed method consists of three stages: face detection using Haar-Like feature, feature extraction using principle component analysis, and recognition using the feed forward back propagation Neural Network. The algorithm has been tested on a video with 1000 frames (1000 images). Test results gave a recognition rate of 98%. Key words: Video frame, Haar-Like feature, Face recognition, Principal component analysis (PCA), Artificial Neural network (ANN), Eigenvector, Eigenface. I. Giới thiệu video. Phân đoạn khuôn mặt sẽ xác định vị trí mắt mũi, miệng, và các thành phần khác của Một hệ thống nhận dạng mặt người thông khuôn mặt và chuyển kết quả này cho bước rút thường bao gồm bốn bước xử lý sau: phát hiện trích đặc trưng. Từ những thông tin về các khuôn mặt (face detection), phân đoạn khuôn thành phần trên khuôn mặt, chúng ta có thể dễ mặt (face alignment hay segmentation), rút trích dàng tính được véc-tơ đặc trưng trong bước rút đặc trưng (feature extraction), và phân lớp trích đặc trưng. Những véc-tơ đặc trưng này sẽ khuôn mặt (face classification). Phát hiện là dữ liệu đầu vào cho một mô hình đã được khuôn mặt: đi tìm và định vị những vị trí khuôn huấn luyện trước để phân loại khuôn mặt. Bên mặt xuất hiện trong ảnh hoặc trên các frame 50 cạnh những bước chính nêu trên, chúng ta còn toán này rất thuận tiện. Đối với giai đoạn có thể áp dụng tham một số bước khác như tiền trích đặc trưng và phân lớp khuôn mặt ta có xử lý, hậu xử lý nhằm làm tăng độ chính xác thể dùng PCA hoặc nơron riêng rẽ. Tuy cho hệ thống. nhiên nếu ta chỉ dùng PCA và dựa trên Do một số thông số như: tư thế khuôn mặt, khoảng cách Euclide để xác định ứng cử độ sáng, điều kiện ánh sáng,v.v…, phát viên thì độ chính xác trong việc nhận dạng hiện khuôn mặt được đánh giá là bước khó không được cao. Nếu ta dùng mạng nơron khăn và quan trọng nhất so với các bước để nhận dạng thì độ chính xác khá cao[5] còn lại của hệ thống. tuy nhiên khi tập mẫu lớn thì ta phải tăng số nút mạng để tăng năng lực học của mạng dẫn đến tốc độ nhận dạng của mạng sẽ giảm. Chính vì vậy trong đề tài này nhóm tác giả sử dụng PCA để trích đặc trưng còn mạng nơ ron sẽ đóng vai trò phân lớp khuôn mặt. Bằng việc sử dụng PCA để trích đặc trưng ta đã giảm đáng kể số lượng mẫu học cho mạng nơ ron. Hình 1: Các bước chính trong một hệ thống nhận dạng mặt người II. Thuật toán đề nghị : Trong đề tài này nhóm tác giả sử dụng thuật toán Haar-Like để tách khuôn mặt ra khỏi khuôn hình. Haar-Like là thuật toán ổn định và được sử dụng phổ biến thông qua OPEN Hình 2: Sơ đồ chi tiết hệ thống nhận dạng CV hoặc thư viện liên kết động DLL chính khuôn mặt vì vậy việc viết chương trình sử dụng thuật 51 Tách Frame: tính của các khuôn mặt riêng.Và ta có thể Video từ camera sẽ được tách thành từng tính gần đúng bằng cách chọn M’ khuôn khung hình(frame) ta có thể xem mỗi mặt riêng tốt nhất tức là những khuôn khung hình là một ảnh tĩnh để xử lý. mặt riêng có giá trị riêng lớn nhất. Nó Phát hiện và tách khuôn mặt(Haar- miêu tả sự biến thiên lớn nhất trong tập Lik ...